谷歌巨额资本开支创下新高，这绝不仅仅是半导体行业的简单利好。当市场价格反复对某一投资框架进行定价之后，超额收益必然会被逐步压缩。未来的超额收益大概率不会出现在最显眼的位置，而在于那些被传统模型低估的“窄门”之中。市场普遍认为“谷歌花钱，英伟达、台积电、博通吃饱”，但真正的 Alpha 可能在显性龙头之外，而在于更深的物理瓶颈：电力接入、液冷散热、光互连、CXL、SerDes、内存池化。AI 交易的下半场，买的是谁掌握系统瓶颈。
**一、共识太顺滑，往往就是风险开始的地方**
美股科技投资最迷人的地方在于，市场总能迅速把复杂故事压缩成一句简单口号。2023 年是“买英伟达”，2024 年是“买 AI 基础设施”，2025 年是“买所有卖水人”。当谷歌、微软、Meta、亚马逊继续扩大 AI 资本开支时，市场几乎形成了一种条件反射：云巨头花钱，半导体收钱。
这句话当然有道理。谷歌提高 Capex，确实意味着更多数据中心、更多 TPU、更多 GPU 以及各类硬件需求。对于上游硬件链条而言，云巨头的现金流就是最强信用背书。但问题在于，投资最怕的不是逻辑不成立，恰恰是逻辑太成立、太顺滑、太容易被所有人看见。当一个投资框架被卖方报告反复书写，被买方模型反复纳入，被市场价格反复定价之后，超额收益就会被压缩。
此时，继续停留在“谷歌 Capex 增加，所以无脑买半导体”的一阶思维，可能会忽视更重要的问题：谷歌为什么必须花这笔钱？这笔钱到底是在创造增量利润，还是在防守旧利润池？钱流向硬件之后，产业链内部的真实瓶颈又在哪里？
**二、不要只盯芯片，谷歌的真正卡点是电和热**
AI 投资者最熟悉的几个词是 GPU、HBM、CoWoS、先进制程。这些当然重要。但当数据中心规模继续扩大，物理世界会开始反过来约束硅基世界。
芯片算得再快，也需要稳定供电；机柜密度再高，也必须把热带走；数据中心建设再积极，也要拿到电网接入和能源指标。当 AI 机柜功率密度从过去的十几千瓦走向几十千瓦、上百千瓦时，传统数据中心架构会被彻底重构。算力竞争的核心指标，也会从“拿到多少芯片”变成“多快把芯片点亮”。这就是 Time-to-Power，也就是电力交付时间。
**电力接入成为新的算力牌照**
对于云巨头来说，芯片采购只是第一步。真正困难的是：数据中心选址能否拿到足够电力；电网是否具备接入容量；变压器、开关柜、配电设备是否能按时交付；是否有稳定的长期电价；是否能够满足碳排放和清洁能源承诺。一些地区已经出现电力接入排队、变压器交付周期拉长、电网升级滞后的情况。对 AI 数据中心而言，如果电力无法如期到位，再多 GPU 和 TPU 也只能躺在供应链里，无法转化为收入。
**PPA、微电网与独立发电资产的价值重估**
谷歌、微软、亚马逊等公司正在积极签署长期购电协议，锁定核电、天然气、可再生能源以及新型地热资源。背后逻辑非常清楚：AI 数据中心需要的是稳定、长期、可预测的大规模电力。这会带来几类机会：拥有优质发电资产和长期电力供应能力的独立电力生产商；能够提供微电网、储能和电力调度系统的设备商；变压器、开关柜、高压配电和备用电源供应商；能够帮助数据中心缩短 Time-to-Power 的综合能源服务商。
**液冷的终极目标是数据中心架构重构**
散热同样被市场低估。传统风冷适合低密度机柜，但在高功率 AI 集群面前越来越吃力。随着单机柜功率密度大幅提升，液冷从可选项变成必选项。不过，液冷的机会不只是冷板、CDU 和管路系统。更深层的变化在于，液冷会重构数据中心的空间设计、运维模式和能源循环。
当冷却介质从空气变成液体，数据中心排出的热不再只是废热，而可能成为可回收利用的能源流。部分高密度数据中心可以把热水用于区域供暖、工业热回收，甚至与低温发电和吸收式制冷系统结合。这意味着，未来的数据中心不再只是“耗电黑洞”，而可能变成一个复杂的能源转换系统。投资上，值得关注的不只是液冷零部件厂商，还包括高可靠冷却介质供应商、流体控制和工业阀门龙头、数据中心热管理系统集成商、具备余热回收和区域能源调度能力的公司。
**三、ASIC 暴利不只在设计，而在接口、带宽和存算拆解**
提到谷歌 TPU 产业链，市场首先想到的是博通、Marvell 这类 ASIC 合作伙伴。这条逻辑仍然成立。但如果继续往底层拆，会发现更高壁垒、更强定价权的环节，可能不在普通 ASIC 设计服务，而在接口和存算系统。
AI 芯片性能提升很快，但数据搬运速度没有同步提升。结果就是，芯片越来越强，数据却越来越跟不上。这就是所谓的 Memory Wall，存储墙。AI 集群的核心矛盾：算力不缺，数据喂不饱。
在大模型训练和推理中，计算单元需要不断读取参数、激活值和中间结果。如果存储带宽不足，或者节点之间通信效率不足，昂贵的 GPU 和 TPU 就会等待数据，出现算力空转。未来每一代 AI 芯片都会面对同一个问题：算力增长很快，但 HBM 带宽、SerDes 速率、PCIe 通道、节点互连和内存调度都必须同步升级。
因此，谷歌继续砸 Capex，并不代表所有钱都应该流向“更多芯片”。大量资金会被迫流向高速 SerDes、CXL Switch、光互连、光电共封装、内存池化、高级封装和系统级调度。这些看起来像配套环节，但实际上决定 AI 集群能不能把算力真正释放出来。
**CXL 与内存池化：被低估的架构级变量**
传统服务器中，内存通常挂在特定 CPU 或加速器附近，形成一个个内存孤岛。有的节点内存紧张，有的节点内存闲置，整体利用率并不高。CXL 的意义在于，它有机会把内存资源池化，让不同计算节点能够更灵活地共享、扩展和调度内存。对于 AI 数据中心而言，这可以提高内存利用率，降低昂贵内存的重复配置，并改善大规模推理和训练任务中的资源调度效率。
在 HBM 极其昂贵、供应紧张的情况下，任何能够提高内存利用率的技术，都可能获得超额价值。因此，CXL Switch、Retimer、内存扩展控制器、系统软件和资源调度层，都值得被重新定价。
**四、重新构建 AI 投资矩阵：从显性共识到隐性瓶颈**
综合以上逻辑，我们可以把 AI 基础设施投资分为两层。第一层是显性共识资产，这类资产市场认知最充分，基本面强，但估值中也包含大量乐观预期，如 GPU 龙头、先进制程代工、HBM 龙头、大型 ASIC 平台公司、AI 服务器和交换机龙头。它们仍然重要，但需要更精细地判断估值、订单周期和毛利率趋势。
第二层是隐性瓶颈资产，这类资产更接近未来 Alpha 来源，包括异构算力软件、编译器和调度系统；电力接入、PPA、微电网、变压器和配电设备；液冷、冷却介质、流体控制和余热回收；SerDes、Retimer、CXL Switch 和内存池化；硅光子、光电共封装、光交换组件；以及能够降低 AI 推理成本和资源浪费的系统级方案商。
**结论：站在物理世界，而非故事云端**
“谷歌跌倒，半导体吃饱”是一句很有冲击力的话。但更准确的说法也许是：谷歌被迫向物理世界买单，而真正吃饱的，是那些掌握瓶颈的人。
RockFlow 投研团队相信，这场 AI 军备竞赛正在穿透屏幕，落到电网、变压器、冷却液、光纤、接口、内存、封装和数据中心土地上。过去互联网时代，最好的商业模式是轻资产、高毛利、强网络效应。而 AI 基础设施时代，最稀缺的东西正在变得非常具体：电力、热管理、带宽、连接、内存和工程交付能力。
对投资者来说，真正重要的是分清楚：谁在防守旧利润池；谁在收取防守成本；谁只是顺周期受益；谁掌握不可替代的物理瓶颈；谁会在下一轮架构迁移中获得重新定价。AI 交易的上半场，买的是算力想象；AI 交易的下半场，买的是物理约束。当共识已经拥挤，Alpha 往往藏在更深处。这才是谷歌天量 Capex 背后，最值得投资者重新定价的地方。
